自动驾驶

CogDriver: Integrating Cognitive Inertia for Temporally Coherent Planning in Autonomous Driving

CogDriver：通过整合认知惯性实现自动驾驶中的时间一致规划

Pei Liu, Qingtian Ning, Xinyan Lu, Haipeng Liu, Weiliang Ma, Dangen She, Peng Jia, Xianpeng Lang, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Li Auto Inc.（利汽车公司） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV

AI总结 本文提出CogDriver框架，通过引入认知惯性提升自动驾驶中的时间一致性规划能力，通过大规模视觉-语言-动作数据集和稀疏时间记忆架构，显著提升了闭环驾驶得分和模仿准确性。

DAG-STL: A Hierarchical Framework for Zero-Shot Trajectory Planning under Signal Temporal Logic Specifications

DAG-STL：一种用于在信号临时逻辑规范下进行零样本轨迹规划的分层框架

Ruijia Liu, Ancheng Hou, Xiao Yu, Xiang Yin

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国） ； Institute of Artificial Intelligence, Xiamen University, Xiamen, China（人工智能研究院，厦门大学，厦门，中国） 纠错

专题命中 规划控制 ：trajectory planning(title)；分类 cs.RO

AI总结 本文提出DAG-STL框架，通过分解-分配-生成流程实现零样本轨迹规划，结合动态一致性度量和分层在线重规划机制，在复杂任务中表现出色。

Safety-Aware AoI Scheduling for LEO Satellite-Assisted Autonomous Driving

安全意识的LEO卫星辅助自动驾驶AOI调度

Kangkang Sun, Junyi He, Juntong Liu, Xiuzhen Chen, Jianhua Li, Minyi Guo

专题命中 规划控制 ：autonomous driving(title)

AI总结 本文提出一种统一框架，结合双时间尺度AOI模型与分层时间平均安全约束，通过虚拟队列实现安全验证，解决LEO卫星与车辆运动导致的多普勒效应、子槽切换故障及不同优先级车辆的异构新鲜度需求问题。

Comments 15 pages, 7 figures, has been submitted to IEEE Internet of Journal for possible publication

Time-Division Multiplexing Actuation in Tendon-Driven Arms: Lightweight Design and Fault Tolerance

tendon驱动臂的时间分割多路复用驱动：轻量化设计与容错性

Shoujie Li, Changqing Guo, Jianle Xu, Hong Luo, Xueqian Wang, Wenbo Ding, Bin Liang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO

AI总结 本文提出了一种时间分割多路复用驱动方法，用于腱驱动机器人，实现轻量化设计和高容错性，通过垂直堆叠的旋转选择结构和双编码系统，使MuxArm在部分伺服故障下仍能保持1%的末端精度。

Comments 11 pages

Journal ref IEEE T-MECH Under review 2026

RISC-V Functional Safety for Autonomous Automotive Systems: An Analytical Framework and Research Roadmap for ML-Assisted Certification

RISC-V功能安全用于自动驾驶系统：面向ML辅助认证的分析框架与研究路线图

Nick Andreasyan, Mikhail Struve, Alexey Popov, Maksim Nikolaev, Vadim Vashkelis

机构 * Andes Technology（安德斯技术） 纠错

专题命中 规划控制 ：autonomous driving(abstract,comments)

AI总结 本文探讨RISC-V在自动驾驶功能安全中的角色，提出以认证经济性为核心的分析框架，通过ML方法优化认证流程，旨在构建符合ASIL-D标准的可认证RISC-V平台。

Comments 11 pages, 3 figures, 4 tables. Analytical perspective paper on automotive-grade RISC-V functional safety, certification economics, and ML-assisted certification for autonomous driving systems

Policy Optimization for Unknown Systems using Differentiable Model Predictive Control

使用可微模型预测控制的未知系统策略优化

Riccardo Zuliani, Efe C. Balta, John Lygeros

专题命中 规划控制 ：trajectory planning(abstract)

AI总结 本文提出结合可微优化与零阶优化的新型策略优化框架，用于未知系统中的MPC策略优化，提升瞬态性能并保持收敛性。

Sub-additive service curves in the Network Calculus analysis

网络计算分析中的亚加性服务曲线

Anne Bouillard

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文探讨了网络计算分析中亚加性函数的应用，指出传统方法在反馈控制系统中仍可行，并纠正了Hamscher等人论文中的不严谨之处。

Comments 28 pages

Modeling the Impact of Communication and Human Uncertainties on Runway Capacity in Terminal Airspace

通信与人为不确定性对终端空域跑道容量影响的建模

Yutian Pang, Andrew Kendall, John-Paul Clarke

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文通过蒙特卡洛离散时间仿真研究通信和人为不确定性对跑道容量的影响，提出自动化最终进近引导模型，并验证通信不确定性对当前语音操作的影响。

Solving Stochastic Constraints by Oracle-based Gradient Descent and Interval Arithmetic

通过基于Oracle的梯度下降和区间算术解决随机约束

Xiakun Li, Hao Wu, Bican Xia, Tengshun Yang, Naijun Zhan

专题命中 规划控制 ：trajectory planning(abstract)

AI总结 本文提出一种新框架，通过结合随机优化与符号技术，利用基于Oracle的随机梯度下降寻找高质量参数候选，结合区间算术计算严格认证的下界，以解决随机约束问题。

Chance-Constrained Neural MPC under Uncontrollable Agents via Sequential Convex Programming

在不可控代理下通过序列凸编程实现机会约束神经MPC

Shuqi Wang, Mingyang Feng, Yu Chen, Yue Gao, Xiang Yin

专题命中 规划控制 ：autonomous driving(abstract)

AI总结 本文提出一种神经MPC框架，通过学习离线数据预测不可控代理轨迹，并采用区域鲁棒符合预测方案构建时间依赖性不确定性界，以确保预测误差的正式概率保证，实验表明该方法在自动驾驶场景中安全性和效率优于基线方法。

Comments Extended version of a paper accepted to the 23rd IFAC World Congress 2026, Busan, Korea, under the journal publication option